ИИ-модель HCC-STAR превосходит врачей в рекомендациях по лечению рака печени

Новая большая языковая модель HCC-STAR, разработанная для клинического применения, демонстрирует более высокую точность в рекомендациях по лечению гепатоцеллюлярной карциномы по сравнению с врачами-ординаторами и лечащими врачами. Эта модель не только определяет стадию рака печени на основе неструктурированных данных электронных медицинских карт, но и предлагает обоснованные варианты терапии, а также прогнозирует выживаемость пациентов. Разработка открывает новые перспективы для автоматизации поддержки принятия решений в онкологии и может существенно повлиять на качество лечения пациентов с раком печени.

Что такое HCC-STAR и как она работает

HCC-STAR (Hepatocellular Carcinoma Staging, Treatment And pRognosis) представляет собой клинически ориентированную большую языковую модель, способную читать тексты электронных медицинских карт и автоматически выполнять три ключевые задачи: стадирование рака печени, рекомендации по лечению с обоснованием и оценку выживаемости. В отличие от традиционных классификаций, таких как BCLC или CNLC, HCC-STAR учитывает неоднородность внутри одной стадии и клинический контекст, что позволяет повысить точность терапии.

Модель обучена на примерно 30 000 случаев гепатоцеллюлярной карциномы из базы SEER, которые были преобразованы в нарративные истории болезни с помощью клинически валидированного процесса аугментации. Для обучения использовался специально разработанный framework рассуждений, согласованный с медицинскими знаниями, с композитной функцией вознаграждения, проверяемой по шагам. Это позволяет модели не только давать рекомендации, но и объяснять логику своих решений.

Почему точность рекомендаций так важна для пациентов с раком печени

Гепатоцеллюлярная карцинома является одной из самых распространённых злокачественных опухолей и ведущей причиной смертности от рака во всём мире. Современные системы стадирования, такие как BCLC и CNLC, часто игнорируют неоднородность внутри одной стадии и клинический контекст, что может приводить к субоптимальному выбору терапии. HCC-STAR восполняет этот пробел, обрабатывая неструктурированные записи и выдавая рекомендации на уровне эксперта-гепатолога.

В многоцентровом исследовании с участием 6 668 пациентов из 12 больниц Китая HCC-STAR превзошла по точности рекомендаций такие модели, как GPT-5 и Gemini-2.5 Pro. Гипотетический анализ общей выживаемости показал, что медиана выживаемости при следовании рекомендациям HCC-STAR составила 51 месяц, тогда как при использовании BCLC и CNLC — 29 и 32 месяца соответственно. Это свидетельствует о потенциальном улучшении прогноза для пациентов.

Какие результаты показало слепое тестирование с участием гепатологов

В слепых оценках гепатологи признали рассуждения модели заслуживающими доверия. Модель превзошла ординаторов и лечащих врачей по точности лечения, а также помогала врачам принимать более точные решения быстрее. Это указывает на то, что HCC-STAR может служить эффективным инструментом поддержки принятия решений, особенно в условиях ограниченного времени и высокой нагрузки на медицинский персонал.

Кого затронет внедрение HCC-STAR

Разработка затронет онкологов, гепатологов, разработчиков клинических систем поддержки принятия решений, а также пациентов с гепатоцеллюлярной карциномой. Модель может быть интегрирована в больничные информационные системы для автоматизации стадирования и выбора терапии. Это позволит стандартизировать подходы к лечению и повысить его качество, особенно в учреждениях с ограниченным доступом к экспертам-гепатологам.

Какие остаются вопросы и ограничения

Пока неясны требования к вычислительным ресурсам для внедрения модели в реальную клиническую практику. Также не изучена её эффективность на популяциях за пределами Китая, поскольку данные для обучения и тестирования были получены преимущественно из китайских больниц. Необходима валидация на проспективных когортах и в различных этнических группах. Кроме того, предстоит оценить, как модель будет работать с неполными или противоречивыми данными в реальных электронных медицинских картах.

Перспективы развития ИИ в онкологии

HCC-STAR демонстрирует, что большие языковые модели могут успешно применяться в клинической онкологии для задач, требующих анализа сложной медицинской информации. В будущем подобные системы могут быть расширены на другие типы рака и интегрированы в повседневную практику. Однако для широкого внедрения необходимо решить вопросы регуляторного одобрения, конфиденциальности данных и обучения медицинского персонала работе с ИИ-инструментами.